最近，來自加州伯克利分校、圣克魯斯分校以及慕尼黑工業大學的研究人員發表論文，闡述了一種嶄新的模型，將深度學習引入地震預測領域。

　　該模型被命名為RECAST，相比自1988年問世以來改進有限的當前標準模型ETAS，RECAST可利用更大的數據集，提供更高的靈活性。論文作者Kelian Dascher-Cousineau、Oleksandr Shchur、Emily Brodsky和Stephan Günnemann在NVIDIA GPU工作站上訓練了該模型。

　　UC伯克利的博士后研究員Dascher-Cousineau表示:“整個研究領域都在探索如何改進ETAS模型，它是一個非常有用的模型，被廣泛使用，但我們一直很難對它進行改進。”

　　RECAST模式的前景在于，它的模型靈活性、自學習能力和擴展能力將使其能夠解釋更大的數據集，并在地震序列期間做出更好的預測。如果模型預測準確性得到改進，可能會幫助美國地質調查局等機構為需要這些信息的人提供更好的信息。例如，消防員和其他首批進入受損建筑的救援人員，可能會從關于余震的更可靠的預測中受益。

　　Dascher-Cousineau表示:“在預測方面還有很大的改進空間。由于種種原因，我們的團隊還沒有真正投入機器學習，部分原因是保守，部分原因是這些決策影響深遠。”

　　RECAST模型與過去依賴統計模型的震后預測工作不同，后者無法擴展到處理新出現的爆炸式增長的數據集。RECAST模型架構建立在神經臨時點過程上的發展之上，這是用于基于過去事件歷史預測下一個事件時間的概率生成模型。簡而言之，該模型具有編碼器-解碼器神經網絡架構，用于基于過去事件的歷史預測下一個事件的時間。

　　Dascher-Cousineau表示，在論文中發布和基準測試該模型證明了它可以快速學習ETAS可以做什么，同時它具有做更多事情的巨大潛力。他說:“我們的模型是一個生成模型，就像自然語言處理模型一樣，你可以生成段落和段落的文字，可以對其進行采樣和生成合成目錄。論文的一部分旨在說服老學術派的地震學家，這是一個正在做正確事情的模型——我們沒有過度擬合。”

　　地震目錄或地震數據記錄對于特定地理區域來說可能很小。 這是因為時至今日，許多目錄來自解釋來自地震儀的原始數據涂鴉的地震分析師。但這也是AI研究人員正在建立模型的一個領域，以實時自動解釋這些P波和數據中的其他信號。

　　使用地震目錄中的標注數據，機器學習工程師正在重新審視這些原始數據源，并構建增強的目錄，以獲得訓練數據和類別的10倍至100倍地震數量。

　　Dascher-Cousineau表示:“我們不一定要布置更多的儀器來收集數據，而是增強數據集。”

　　使用較大的數據集，研究人員開始看到RECAST相對于標準ETAS模型的改進。 為了推進地震預報領域的技術水平，Dascher-Cousineau正在與UC伯克利的本科生團隊合作，以在多個區域訓練地震目錄，以進行更好的預測。

　　他說:“我記得自然語言處理的類比，日本的地震序列對加利福尼亞地震非常有用這一點似乎非常合理。你會看到它朝著正確的方向發展。”